Gemini 2.0 Flash のネイテイブ画像生成

以下の記事が面白かったので、簡単にまとめました。

1. Gemini 2.0 Flash のネイテイブ画像生成

2024年12月に、テスター向けに「Gemini 2.0 Flash」でのネイティブ画像出力を初めて導入しました。本日 (2025年3月12日)、「Google AI Studio」で、開発者向けに実験的に利用可能となりました。この新機能は、「Google AI Studio」の「実験版Gemini 2.0 Flash」(gemini-2.0-flash-exp) や「Gemini API」を通じてテストできます。「Gemini 2.0 Flash」は、マルチモーダル入力、強化された推論、そして自然言語理解を組み合わせて画像を作成します。

2. 使用例

以下は、「Gemini 2.0 Flash」のマルチモーダル出力が光るいくつかの例です。

2-1. テキストと画像を組み合わせる

「Gemini 2.0 Flash」を使って物語を語ると、イラスト付きで描写し、登場人物や舞台の一貫性を保ちながら表現します。フィードバックを与えることで、モデルが物語を再構築したり、描画のスタイルを変更したりすることも可能です。

2-2. 会話型の画像編集

「Gemini 2.0 Flash」は、自然な対話を重ねながら画像を編集するのをサポートします。理想の画像に近づくための試行を重ねたり、さまざまなアイデアを探求したりするのに最適です。

2-3. 世界の理解

多くの画像生成モデルとは異なり、「Gemini 2.0 Flash」は世界に関する知識と高度な推論を活用して、適切な画像を生成します。これにより、レシピのイラストのようなリアルで詳細な画像を作成するのに最適です。ただし、すべての言語モデルと同様に、その知識は広範かつ一般的なものであり、絶対的または完全なものではありません。

2-4. テキストのレンダリング

ほとんどの画像生成モデルは、長いテキストの正確なレンダリングが苦手で、フォーマットの崩れや判読不能な文字、スペルミスが発生しやすくなります。内部ベンチマークによると、「Gemini 2.0 Flash」は主要な競合モデルと比較してより優れたレンダリング性能を持ち、広告、ソーシャルメディアの投稿、招待状の作成などに適しています。

3. Gemini API での画像生成

「Gemini API」を通じて、「Gemini 2.0 Flash」で画像生成することができます。詳しくは、ドキュメントを参照してください。

from google import genai
from google.genai import types

client = genai.Client(api_key="GEMINI_API_KEY")

response = client.models.generate_content(
    model="gemini-2.0-flash-exp",
    contents=(
        "Generate a story about a cute baby turtle in a 3d digital art style. "
        "For each scene, generate an image."
    ),
    config=types.GenerateContentConfig(
        response_modalities=["Text", "Image"]
    ),
)

4. おわりに

AIエージェントを構築する場合でも、イラスト付きのインタラクティブな物語のような美しいビジュアルを備えたアプリを開発する場合でも、または会話の中でビジュアルアイデアをブレインストーミングする場合でも、「Gemini 2.0 Flash」を使えば、テキストと画像の生成を単一のモデルで実現できます。近日中に本番環境向けのバージョンを完成させる予定です。